Aujourd’hui, sur le marché, on peut trouver une vaste gamme de produits différents ou des formes variées d’un même produit et ce grand assortiment fatigue les clients. Il est clair que la décision des clients d’acheter un produit dépend de l'aspect esthétique de la forme du produit et de l’affection émotionnelle. Par conséquent, il est très important de comprendre les propriétés esthétiques et de les adopter dans la conception du produit, dès le début. L'objectif de cette thèse est de proposer un cadre générique pour la cartographie des propriétés esthétiques des formes gauches en 3D en façon d'être en mesure d’extraire des règles de classification esthétiques et des propriétés géométriques associées. L'élément clé du cadre proposé est l'application des méthodologies de l’Exploration des données (Data Mining) et des Techniques d’apprentissage automatiques (Machine Learning Techniques) dans la cartographie des propriétés esthétiques des formes. L'application du cadre est d'étudier s’il y a une opinion commune pour la planéité perçu de la part des concepteurs non-professionnels. Le but de ce cadre n'est pas seulement d’établir une structure pour repérer des propriétés esthétiques des formes gauches, mais aussi pour être utilisé comme un chemin guidé pour l’identification d’une cartographie entre les sémantiques et les formes gauches différentes. L'objectif à long terme de ce travail est de définir une méthodologie pour intégrer efficacement le concept de l’Ingénierie affective (c.à.d. Affective Engineering) dans le design industriel. / Today on the market we can find a large variety of different products and differentshapes of the same product and this great choice overwhelms the customers. It is evident that the aesthetic appearance of the product shape and its emotional affection will lead the customers to the decision for buying the product. Therefore, it is very important to understand the aesthetic proper-ties and to adopt them in the early product design phases. The objective of this thesis is to propose a generic framework for mapping aesthetic properties to 3D freeform shapes, so as to be able to extract aesthetic classification rules and associated geometric properties. The key element of the proposed framework is the application of the Data Mining (DM) methodology and Machine Learning Techniques (MLTs) in the mapping of aesthetic properties to the shapes. The application of the framework is to investigate whether there is a common judgment for the flatness perceived from non-professional designers. The aim of the framework is not only to establish a structure for mapping aesthetic properties to free-form shapes, but also to be used as a guided path for identifying a mapping between different semantics and free-form shapes. The long-term objective of this work is to define a methodology to efficiently integrate the concept of Affective Engineering in the Industrial Designing.